Pendekatan umum pengambilan keputusan dalam sistem yang kompleks dengan menggunakan sistem pendukung keputusan berbasis agen dijelaskan pada Bab 5. Metodologi pengambilan keputusan dan teknologi informasi yang berguna untuk mengembangkan sistem pendukung keputusan di bidang transportasi juga dibahas.
TEKNIK PEMODELAN DAN DESAIN SISTEM PENDUKUNG KEPUTUSAN BAB 1
KEMAJUAN DALAM PENGAMBILAN KEPUTUSAN YANG CERDAS
PENDAHULUAN
Pada bagian ketiga, disajikan sejumlah teknik berbasis kecerdasan buatan yang berguna untuk desain dan pengembangan sistem pendukung keputusan cerdas. Penerapan sistem pendukung keputusan cerdas ini ke berbagai domain dibahas di bagian empat.
ASPEK UMUM PENGAMBILAN KEPUTUSAN
Pada tahun 1990an, teknik kecerdasan buatan dan statistik semakin meningkatkan desain dan implementasi sistem pendukung keputusan. Enam properti yang mewakili karakteristik tingkat tinggi dari sistem pendukung keputusan yang sukses dibahas dalam [5].
![Gambar 1.1 Proses pengambilan keputusan (Sumber: [9])](https://thumb-ap.123doks.com/thumbv2/123dok/10299438.0/15.893.216.725.129.829/gambar-1-1-proses-pengambilan-keputusan-sumber-9.webp)
TEKNIK UNTUK PENGAMBILAN KEPUTUSAN YANG CERDAS
Pada gilirannya, mutasi diterapkan pada salah satu kandidat solusi induk dan kandidat solusi baru dihasilkan. Kandidat solusi baru bersaing satu sama lain berdasarkan nilai kebugaran kota pada generasi berikutnya.
CONTOH APLIKASI
Hasilnya menunjukkan bahwa sistem yang diusulkan mampu mengungguli metode lain dalam hal nilai yang hilang. Efektivitas metode yang diusulkan ditunjukkan dengan menggunakan penelitian yang dilakukan di sebuah perusahaan peralatan listrik.
KESIMPULAN
Perancangan dan implementasi sistem multi agen untuk menyelesaikan masalah produksi yaitu penjadwalan produksi disajikan pada [70]. Hasilnya menunjukkan bahwa sistem multi-agen di mana agen mengoordinasikan tindakan mereka memiliki kinerja lebih baik dibandingkan sistem di mana agen tidak mengoordinasikan tindakan mereka.
IDSSE-M: METODOLOGI REKAYASA SISTEM PENDUKUNG KEPUTUSAN
PENDAHULUAN
Karena bukti telah dilaporkan dari berbagai kerangka kerja, faktor-faktor yang paling mungkin berhasil untuk masing-masing kategori adalah: kesesuaian pengguna untuk DMSS, penyelarasan atau prioritas tugas pengambilan keputusan yang harus didukung oleh DMSS, keberadaan pemimpin proyek untuk DMSS proyek, dukungan yang diberikan oleh IS organisasi lokal untuk proyek DMSS, metodologi pengembangan yang sesuai, teknologi perangkat lunak dan perangkat keras yang memadai untuk membangun dan mengimplementasikan DMSS, dukungan manajemen puncak yang positif, sponsorship dan iklim organisasi, iklim bisnis yang tidak menentu, kemudahan penggunaan DMSS dan penyampaiannya informasi yang diberikan Tepat Waktu. Elemen-elemen pada Tabel 2, dengan simbol ⯀ yang hilang, menunjukkan bahwa populasi sampel proyek DMSS ternyata tidak signifikan secara statistik.
Karakteristik tugas Kesulitan dan
Karakteristik tim pengembangan
Karakteristik proses
Karakteristik organisasi
- IKHTISAR METODOLOGI DMSS
- IDSSE-M
Metodologi-metodologi ini dapat dikelompokkan menurut jenis paradigma pembangunan: pendekatan tradisional, iteratif (prototyping/evolusioner atau adaptif), dan pendekatan hybrid-integrated. Hal ini dapat menghasilkan DMSS akhir yang berguna, namun tidak sepenuhnya terdokumentasi, dengan risiko tinggi untuk perbaikan di masa mendatang.
Tahap Definisi Masalah dan
Tahap Perencanaan
Tahap Analisis Tugas Keputusan
Fase Analisis
Fase Desain
Tahap Desain Sistem
Tahap
Fase Pemeliharaan
- IDSSE-M: ILUSTRASI
- KESIMPULAN
Tiga usulan kegiatan: 4.1 dokumentasi lengkap; 4.2 memberikan pelatihan (jika diperlukan); dan 4.3 penutupan proyek secara resmi. Dalam arsitektur IDSS, keputusan desainnya adalah ketiga keluaran (y1, y.2, dan y.3) merupakan keluaran antara dan keluaran akhir adalah y.4.
Deskripsi Kasus IDSS 1 Deskripsi Umum
- Misi dan Tujuan Unit Organisasi
- Informasi tentang Rasio Keuangan
- Gagasan Umum Model Mr. Smith
Kita dapat memperkirakan beberapa probabilitas subjektif untuk nilai pasar (berkembang atau stabil) dan nilai strategi pesaing (berbasis biaya atau mempertahankan strategi yang sama saat ini). Selain itu, kami dapat memperkirakan persentase kenaikan atau penurunan penjualan bersih, harga pokok penjualan, dan data keuangan lainnya berdasarkan nilai pasar, strategi pesaing, dan strategi yang kami putuskan.
DESAIN BENTUK PRODUK BERDASARKAN SISTEM PENDUKUNG KEPUTUSAN
PENDAHULUAN
Pemilihan dan adaptasi proses desain produk yang diketahui terhadap masalah desain cetakan saat ini merupakan masalah besar yang belum dipelajari dengan baik. Antarmuka jaringan yang kompleks dalam rekayasa bersamaan menentukan kapan tugas desain cetakan aktif dan bagaimana desainer industri terlibat dalam proses desain produk.
KERANGKA PROSES DESAIN PRODUK
Proses desain untuk produk yang digerakkan oleh pengguna dalam literatur disebut sebagai proses desain industri. Proses rekayasa paralel dengan proses desain industri untuk teknologi dan produk yang digerakkan oleh pengguna.
METODE DAN ALAT UNTUK DESAIN BENTUK
DSS UNTUK PERENCANAAN PROSES DESAIN
Fitur unik dalam DSS yang diusulkan adalah deskripsi simbolis dari evolusi proses desain yang direncanakan. Model keputusan perencanaan proses desain digambarkan sebagai pohon keputusan seperti yang ditunjukkan pada Gambar 4 sampai 10. Objek kelas proses mewakili proses desain produk dan sub-proses yang dimanipulasi oleh objek kelas keputusan.
STUDI KASUS
Mereka dipatuhi dalam bentuk aturan tata bahasa seperti yang ditunjukkan pada Aturan 1-7 Gambar 15. Bentuk sebenarnya dari permukaan tidak secara eksplisit ditentukan dalam bentuk tata bahasa dalam studi kasus ini. Aturan desain yang memperhitungkan faktor teknik dapat dinyatakan menggunakan tata bahasa bentuk seperti yang ditunjukkan pada Gambar 21 Aturan.
KESIMPULAN
Sesuai dengan proses desain yang direncanakan, bentuk skuter dibuat menggunakan tata bahasa bentuk yang menggabungkan persyaratan ergonomis dan teknik. Upaya masa depan akan dilakukan dalam dua arah: (1) menggunakan alasan kasus dasar untuk menyarankan proses desain berdasarkan kasus serupa di DSS, (2) memungkinkan perancang industri untuk mengadaptasi proses desain dari saran DSS. Proses desain produk mencakup tugas pembuatan tugas, tugas pemahaman dan komunikasi, tugas pengujian, dan tugas persuasi.
Proses Desain Rekayasa
Proses Desain Industri
Desain Konsep Rekayasa
Desain Konfigurasi
Desain Parameter
Desain Detail Rekayasa
Ergonomi/Faktor Manusia
- Desain Kansei
Desain Konsep Industri
Organisasi
Permukaan
Desain Detail Industri
Grafik
Memahami
Perhatikan
Visualisasikan & Prediksi
Evaluasi & Perbaiki
Implementasi
PENINGKATAN SISTEM PENDUKUNG KEPUTUSAN DENGAN MODEL NEURAL FUZZY DAN VISUALISASI MODEL SEDERHANA
PENDAHULUAN
Pengetahuan jelas yang disimpan dalam bentuk contoh dalam model sistem neuro-fuzzy dapat digunakan melalui sistem analisis model deduktif dan/atau induktif [19]. Selain itu, sistem neuro-fuzzy juga dapat digunakan untuk mengembangkan pengetahuan dalam lingkungan bisnis yang diwakili oleh model berdasarkan aturan fuzzy. Pemodelan neuro-fuzzy cocok untuk pembelajaran inkremental, dimana pengetahuan baru dalam bentuk aturan fuzzy dapat dengan mudah diintegrasikan ke dalamnya dan pengetahuan yang tidak sesuai dapat dihilangkan dari model/basis pengetahuan DSS yang ada.
![Gambar 4.1 Proses pengambilan keputusan DSS dimodifikasi dari [6]](https://thumb-ap.123doks.com/thumbv2/123dok/10299438.0/82.893.302.627.213.671/gambar-4-1-proses-pengambilan-keputusan-dss-dimodifikasi.webp)
PEKERJAAN TERKAIT
Pohon keputusan lunak [66] merupakan varian pembelajaran induktif dari pohon keputusan klasik dengan integrasi teori himpunan fuzzy. Teknik pohon keputusan klasik telah terbukti dapat ditafsirkan, efisien, tidak merepotkan, dan mampu menangani aplikasi skala besar. Aturan kepastian tinggi dan rendah yang dihasilkan oleh pohon keputusan CART kemudian dipetakan ke sistem neuro-fuzzy.
TNFIS: MODEL KOMPUTASI YANG TERINSPIRASI DARI PENGEMBANGAN KOGNITIF Pada bagian ini, struktur dan algoritma pembelajaran TNFIS [31] disajikan secara
Kelemahan utama pohon keputusan klasik adalah pengklasifikasiannya sangat tidak stabil terhadap distorsi kecil pada data pelatihan. Organisasi awal jaringan saraf diwujudkan dengan menggunakan pohon keputusan di mana pola masukan yang merespons tindakan yang sama (termasuk dalam kelas yang sama) dikelompokkan dan pola masukan yang merespons tindakan berbeda dipisahkan. Penggunaan pohon keputusan dalam tahap identifikasi struktur menyerupai pandangan kognitif Piaget tentang proses perkembangan kognitif yang didorong oleh tindakan yang diwujudkan dalam manusia.
Masukan Linguistik Nodes
Pertimbangan pertama adalah untuk menghilangkan kesulitan dalam menafsirkan properti jaringan saraf yang mirip kotak hitam untuk menciptakan model linguistik yang dapat dengan mudah mengakomodasi pengetahuan dalam bentuk aturan fuzzy if-then atau turunan yang disediakan oleh data atau manusia. para ahli. Kerangka kerja TNFIS memfasilitasi perumusan model dengan mudah, pengetahuan baru dalam bentuk aturan fuzzy dapat dengan mudah diintegrasikan atau pengetahuan yang tidak sesuai dihilangkan dari basis pengetahuan. Setiap node di setiap lapisan memiliki jumlah koneksi fan-in yang terbatas dari node di lapisan sebelumnya dan koneksi fan-in ke node di lapisan berikutnya.
Masukan Node Istilah Linguistik Ada
Rule Node
Output Linguistic Term Nodes Ada
Output Linguistic Nodes
PERCOBAAN NUMERIK
Fungsi keanggotaan fuzzy yang menggambarkan variabel masukan x1 dan x2 masing-masing ditunjukkan pada Gambar 4(a) dan Gambar 4(c). Pada contoh pertama, visualisasi model eksplisit seperti Gambar 4 dan Gambar 5 serta basis pengetahuan yang ditunjukkan pada Tabel 1 dapat dimanfaatkan. Selain itu, faktor kepastian aturan yang ditunjukkan pada tabel 1 menunjukkan pentingnya aturan dalam basis pengetahuan.
AGEN KOMPUTASI DALAM SISTEM PENDUKUNG KEPUTUSAN KOMPLEKS
PENDAHULUAN
SISTEM PENDUKUNG KEPUTUSAN UNTUK STUDI SISTEM KOMPLEKS
Sesuai dengan Gambar 2, keputusan dapat dilihat sebagai hasil keputusan lokal, alternatif-alternatif yang memenuhi kriteria seleksi. Dalam kasus yang paling sederhana, alternatif yang mungkin bersifat independen, namun dapat dikelompokkan ke dalam kelompok atau membentuk hierarki; keputusan dapat terdiri dari alternatif terbaik yang optimal, tetapi dapat juga dibentuk sebagai hasil kombinasi (linier, nonlinier, paralel, dan sebagainya) dari alternatif-alternatif serta himpunan bagian dan stratifikasinya; Kriteria dapat bersifat independen atau dependen, dan umumnya disusun secara hierarkis. Pengorganisasian DSS dalam bentuk MAS memfasilitasi pengambilan keputusan yang terdistribusi dan disepakati karena gagasan MAS bekerja dengan sempurna untuk mengatasi kesulitan sistem yang kompleks.
SISTEM PENDUKUNG KEPUTUSAN DAN KARAKTERISTIKNYA
Sedangkan siklus hidup perangkat lunak mencakup tahap definisi masalah dan analisis domain, yang tidak dapat diabaikan. Pengembangan perangkat lunak berorientasi agen merupakan salah satu kontribusi terbaru di bidang rekayasa perangkat lunak. Sampai saat ini, banyak metodologi untuk pengembangan perangkat lunak berorientasi agen telah diusulkan dalam literatur.
PENDEKATAN UMUM UNTUK PEMBUATAN SISTEM MULTI-AGEN Perubahan Informasi Perubahan Informasi
Perangkat lunak MASDK 3.0 terdiri dari komponen-komponen berikut: (1) kernel sistem yang merupakan struktur data untuk representasi berbasis XML dari spesifikasi formal MAS yang diterapkan; (2) seperangkat editor ramah pengguna terintegrasi yang mendukung aktivitas pengguna yang ditujukan pada spesifikasi formal SAM terapan yang dikembangkan dalam tahap analisis, desain, dan implementasi; (3) pustaka kelas C++ yang berisi komponen agen yang dapat digunakan kembali, yang biasa disebut agen generik; (4) platform komunikasi yang akan diinstal pada komputer tertentu dalam suatu jaringan; dan (5) pembuat instans agen perangkat lunak yang bertanggung jawab untuk menghasilkan kode sumber C++ dan kode agen perangkat lunak yang dapat dieksekusi serta menyebarkan agen perangkat lunak melalui platform komunikasi yang diinstal. Spesifikasi ini, termasuk seperangkat komponen dan fungsi khusus yang diimplementasikan dalam C++, dan komponen Agen Generik yang dapat digunakan kembali menjadi entri bagi pembuat agen perangkat lunak yang menghasilkan kode perangkat lunak secara otomatis berdasarkan teknologi XSLT. Analisis elemen perangkat lunak - fase ini juga berkaitan dengan pembuatan ontologi pribadi; tapi sekarang ontologi dibuat untuk sistem dan elemen-elemennya.
HASIL
Neoplasma nitrit dalam air; hasil pertambangan; BOD5; Limbah bahan kimia berbahaya; Minyak bakar; Gas minyak bumi cair; Air: padat dalam suspensi; aspal; Limbah kimia tidak berbahaya; minyak tanah; Minyak mentah; mobil berbahan bakar bensin; Gas minyak bumi cair; gas; Minyak bakar; aspal; Air: DQO; BOD5; Padatan dalam suspensi; Nitrit. Minyak mentah; mobil berbahan bakar bensin; minyak tanah; Gas minyak bumi cair; BOD5 dalam air; Padatan tersuspensi dan nitrit.
KESIMPULAN
PENDEKATAN DUKUNGAN KEPUTUSAN MULTI-KRITERIA UNTUK ENERGI PEDESAAN BERKELANJUTAN DI NEGARA BERKEMBANG
- PENDAHULUAN
- MEMBANDINGKAN SISTEM PENDUKUNG KEPUTUSAN ENERGI SINGLE DAN MULTI- KRITERIA KRITERIA
- JANGKAUAN DAN KETERBATASAN ENERGI MULTI-KRITERIA DSS
- SURE-DSS: PENDEKATAN DAN APLIKASI MULTI-KRITERIA YANG KOMPREHENSIF Meskipun ada pengakuan bahwa energi modern dapat memfasilitasi pembangunan, Meskipun ada pengakuan bahwa energi modern dapat memfasilitasi pembangunan,
- SOLUSI ENERGI JANGKA PANJANG
- KESIMPULAN
Meningkatnya kebutuhan untuk mengintegrasikan aspek lingkungan ke dalam perencanaan energi pada tahun 1980an mempercepat penggunaan pendekatan multi-kriteria (Georgopoulou et al., 1997). Misalnya, Georgopoulou dkk. (1997) menganggap kriteria sosial sebagai tujuan makro yang 50% bersifat politis (misalnya keterpaduan antara aktivitas lokal dan pekerjaan regional) dan 50% bersifat lingkungan (misalnya kualitas udara, kebisingan, daya tarik visual, dan lain-lain). ). 1998) menyarankan bahwa kriteria sosial harus didasarkan pada kendala nyata, seperti pemenuhan kebutuhan energi pedesaan setiap tahunnya. Akibatnya, solusi yang diterapkan sebagian besar mengabaikan isu keberlanjutan dan pengentasan kemiskinan (Cherni et al., 2007).
SISTEM PENGAMBILAN KEPUTUSAN MENURUT PEMBELAJARAN PELENGKAP
- PENDAHULUAN
- SISTEM PENGAMBILAN KEPUTUSAN PELENGKAP Dasar Neural Pengambilan Keputusan Dasar Neural Pengambilan Keputusan
- Presentasi Stimulus
- Akumulasi Bukti
- Aktivasi Aksi
- Evaluasi Hasil
- APLIKASI
- KESIMPULAN
Pengambilan keputusan manusia merupakan proses yang sangat kompleks yang disebabkan oleh interaksi banyak faktor [19], seperti ketidakpastian [20], emosi [9], penghargaan/hukuman [21], tindakan/hasil masa lalu [22], interaksi dengan kelompok . [23], konteks (nilai, preferensi, keyakinan) [24], keyakinan [25], asumsi [26], metode penalaran [27]. Selanjutnya, kami secara fungsional memodelkan proses pengambilan keputusan manusia berdasarkan pengambilan keputusan visual sakral dari gerakan mata. Seperti yang ditunjukkan pada Gambar 3, CDMS dikembangkan berdasarkan substrat pengambilan keputusan saraf yang ditunjukkan pada Gambar 1.
SISTEM PENDUKUNG PERAMALAN MENURUT EXPONENTIAL SMOOTHING
PENDAHULUAN
Selain itu, ini sangat berguna dalam beberapa aplikasi, seperti manajemen inventaris, di mana interval perkiraan memungkinkan penetapan tingkat stok pengaman yang benar. Namun, estimasi interval yang lebih akurat dapat diperoleh dengan analisis model Bayesian, yang memungkinkan kita untuk menggabungkan kesalahan estimasi parameter model dan memperoleh interval prediksi dengan cakupan empiris yang mendekati satu nilai nominal [7. Setelah model yang paling cocok untuk menggambarkan perilaku rangkaian waktu tertentu dipilih, prediksi titik dan interval prediksi yang akurat secara otomatis dihasilkan sesuai dengan preferensi yang ditentukan oleh prediktor.
PROSEDUR PEMULUSAN EKSPONENSIAL
Berdasarkan penelitian ini, formulasi ruang keadaan yang setara untuk masing-masing metode pemulusan eksponensial lainnya diturunkan pada [19]. Pemulusan eksponensial tidak lagi dianggap sebagai pendekatan ad hoc untuk peramalan tanpa formulasi stokastik yang mendasarinya. Kerangka state-space membawa pemulusan eksponensial ke dalam kelas yang sama dengan model ARIMA, yang dapat diterapkan secara luas dan memiliki model pendekatan stokastik yang kuat [19].
ESTIMASI PARAMETER DAN PEMASANGAN MODEL
Model ini dapat dirumuskan sebagai berikut sebagai model ruang keadaan dengan satu sumber kesalahan: dimana persamaan memperbarui metode aditif Holt-Winters, Persamaan. Berdasarkan penelitian ini, kami memperoleh formulasi linier untuk model Holt-Winters adjoint dengan tren teredam. Solusi ini menunjukkan RSME sebesar 126,75, lebih kecil dari yang diperoleh perkalian Holt-Winters atau penjumlahan Holt-Winters setelah transformasi data log.
STRATEGI PEMILIHAN MODEL
Kami menganalisis dan membandingkan hasil yang diperoleh untuk kumpulan data konsumsi air rata-rata harian menggunakan model Holt-Winters aditif dan perkalian, baik dengan dan tanpa parameter tren teredam, dan juga menggunakan penambahan Holt-Winters pada data log-transform. Dalam hal ini perbedaannya sangat kecil dan AIC minimum diperoleh untuk model aditif Holt-Winters tanpa parameter tren teredam. Oleh karena itu, proposal prediksi kami untuk kumpulan data ini akan didasarkan pada model aditif Holt-Winters tanpa parameter tren teredam.
PROSEDUR PERAMALAN
Secara tradisional, interval prediksi untuk metode pemulusan eksponensial ditemukan menggunakan pendekatan heuristik atau menggunakan model ARIMA yang setara. Sistem ini memperkenalkan metodologi baru untuk mendapatkan prakiraan yang andal dan interval prediksi yang andal. Misalnya, interval prediksi satu langkah ke depan dibuat menggunakan v , sedangkan interval prediksi kumulatif untuk h langkah pertama diperoleh menggunakan v .
SIOPRED-BAYES
Data yang diamati ditampilkan sebagai lingkaran kecil; semuanya kecuali tiga di antaranya berada dalam kisaran perkiraan. Interval prediksi Bayesian untuk 𝑣′𝑦pred juga dapat diperkirakan menggunakan kuantil campuran yang sesuai di atas (29). Data yang diamati ditampilkan sebagai lingkaran kecil; semua kecuali dua di antaranya berada dalam kisaran perkiraan.
KESIMPULAN
TREE BERBASIS PENGUATAN
PENDEKATAN BARU UNTUK MENGATASI POMDP
- PENDAHULUAN
- PROSES KEPUTUSAN MARKOV
- U-TREE DAN U-TREE YANG DIMODIFIKASI Pengenalan U-Tree Pengenalan U-Tree
- DETAIL ALGORITMA
Dalam MDP, horizon berarti jumlah langkah waktu yang harus dilalui dari waktu saat ini, dimana fungsi tujuan didefinisikan. Tujuan agen masih sama seperti pada MDP, dimana fungsi tujuan yang telah ditentukan masih berlaku. Status keyakinan adalah vektor berukuran |S|, di mana setiap komponen mewakili keyakinan pada status MDP yang bersangkutan.
